R語言最優秀的是它的向量化編程，這其中apply族函數扮演了非常重要的角色。apply族函數是由apply、sapply、lapply、mapply、tapply等函數組成的。熟練使用apply族函數，能夠簡化程序，提高代碼的運算速度。

軟件&環境

• win10 64bit
• R 3.6.1

apply

apply是最基本的函數。為了方便演示，選取了R自帶的數據框mtcars的前4行和前5列，并賦值給data。a1返回的結果是data數據每一行的和，由于每行都有一個和，所以a1是4個元素組成的數值向量。a2返回的結果是data數據每一列的均值，同樣，a2是5個元素組成的數值向量。

# 獲取內置數據 data <- mtcars[1:4,1:5] print(data) ## mpg cyl disp hp drat ## Mazda RX4 21.0 6 160 110 3.90 ## Mazda RX4 Wag 21.0 6 160 110 3.90 ## Datsun 710 22.8 4 108 93 3.85 ## Hornet 4 Drive 21.4 6 258 110 3.08 # 對數據框每行求和 a1 <- apply(data,1,sum) print(a1) ## Mazda RX4 Mazda RX4 Wag Datsun 710 Hornet 4 Drive ## 300.90 300.90 231.65 398.48 # 對數據框每列求均值 a2 <- apply(data,2,mean) print(a2) ## mpg cyl disp hp drat ## 21.5500 5.5000 171.5000 105.7500 3.6825

apply函數的第一個參數表示數據，第二個參數表示維度（1表示行，2表示列），第三個參數表示在維度上操作的函數。需要注意的是第三個參數，用作演示的函數是R自帶的函數（sum、mean），當然，這里也可以是自己定義的函數。

# 自定義函數(求極差) func <- function(x){result <- diff(range(x))return(result) } # 對數據框每列求極差 a3 <- apply(data,2,func) print(a3) ## mpg cyl disp hp drat ## 1.80 2.00 150.00 17.00 0.82

sapply

sapply的用法比apply要更靈活一些，同樣，用data做演示。計算數據框data每列的數據范圍，用sapply進行計算，返回的結果存儲在s1里，sapply第一個參數是需要計算的數據框，第二個參數是函數，第三個參數simplify=T（默認）代表返回的結果簡化表示，s1的數據格式為矩陣。

s1 <- sapply(data,range,simplify = T) class(s1) ## [1] "matrix"

如果不想讓計算的結果自動合并成矩陣，可以設置simplify=F，將返回一個列表，列表的每個組件包含了data數據框每列的range函數計算結果。

s2 <- sapply(data,range,simplify = F) class(s2) ## [1] "list"

sapply一個更常見的用法是針對列表的組件進行操作。例如有n個數據框，對每個數據框都要進行相同的操作，常規方法用循環遍歷，但操作體驗差，速度慢，更優的解決方案是：先對單個數據框定義處理函數，然后用sapply對所有數據框采取相同操作。

# 定義一個數據框組成的list df_list <- list(a=mtcars[1:3,1:4],b=airquality[1:3,1:4],c=iris[1:3,1:4]) # 自定義函數（求數據框歐氏距離的最大值） max_func <- function(x){d <- dist(x,p=2)return(max(d)) } # sapply對每個數據框計算 s3 <- sapply(df_list,max_func) print(s3) ## a b c ## 54.7744466 72.3488770 0.5385165

lapply

lapply的用法與sapply基本相同，只不過返回的結果是以list儲存的。

# 求每一列的均值 l1 <- lapply(data,mean) print(l1) ## $mpg ## [1] 21.55 ## ## $cyl ## [1] 5.5 ## ## $disp ## [1] 171.5 ## ## $hp ## [1] 105.75 ## ## $drat ## [1] 3.6825 class(l1) ## [1] "list"

mapply

mapply在sapply和lapply的基礎上進行了拓展，可以應用在多個變量上。a、b、c三個數值向量，第一次需要計算1*2*3，第二次需要計算2*3*4，...，以此類推。當需要每次變化的變量有多個時，用mapply計算更方便快捷。

a <- 1:5 b <- 2:6 c <- 3:7 m1 <- mapply(prod,a,b,c) print(m1) ## [1] 6 24 60 120 210

tapply

tapply主要用在分組計算上。分組計算是常見的數據處理操作，能夠處理分組計算的函數也不少，tapply的優勢是簡單便捷。

# 數據框 group_df <- data.frame(value=1:6,label=rep(c("a","b"),3,each=1)) print(group_df) ## value label ## 1 1 a ## 2 2 b ## 3 3 a ## 4 4 b ## 5 5 a ## 6 6 b # 按照label分組計算value和 t1 <- tapply(X =group_df$value,INDEX = group_df$label,sum) print(t1) ## a b ## 9 12

---

http://weixin.qq.com/r/mShLU4rECNd3rc4w932L (二維碼自動識別)

總結

以上是生活随笔為你收集整理的R语言中dim函数_R语言--向量化计算（apply族函数）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。